Seiring dengan meningkatnya perhatian terhadap narasi AI, semakin banyak fokus tertuju pada jalur ini. Analisis mendalam dilakukan terhadap logika teknis, skenario aplikasi, dan proyek-proyek perwakilan dalam jalur Web3-AI, untuk menyajikan panorama dan tren perkembangan di bidang ini secara menyeluruh.
I. Web3-AI: Analisis Logika Teknologi dan Peluang Pasar Baru
1.1 Logika Integrasi Web3 dan AI: Bagaimana Mendefinisikan Jalur Web-AI
Dalam setahun terakhir, narasi AI telah sangat populer di industri Web3, dengan proyek AI muncul bak jamur setelah hujan. Meskipun ada banyak proyek yang melibatkan teknologi AI, beberapa proyek hanya menggunakan AI di bagian tertentu dari produk mereka, dan ekonomi token yang mendasarinya tidak memiliki hubungan substansial dengan produk AI, sehingga proyek semacam ini tidak termasuk dalam diskusi proyek Web3-AI dalam artikel ini.
Artikel ini berfokus pada penggunaan blockchain untuk menyelesaikan masalah hubungan produksi dan proyek yang menggunakan AI untuk menyelesaikan masalah produktivitas. Proyek-proyek ini sendiri menyediakan produk AI, serta menggunakan model ekonomi Web3 sebagai alat hubungan produksi, keduanya saling melengkapi. Kami mengklasifikasikan jenis proyek ini ke dalam jalur Web3-AI. Untuk membantu pembaca lebih memahami jalur Web3-AI, akan dijelaskan proses pengembangan AI dan tantangannya, serta bagaimana kombinasi Web3 dan AI dapat menyelesaikan masalah dengan sempurna dan menciptakan skenario aplikasi baru.
1.2 Proses pengembangan AI dan tantangannya: dari pengumpulan data hingga inferensi model
Teknologi AI adalah teknologi yang memungkinkan komputer untuk mensimulasikan, memperluas, dan meningkatkan kecerdasan manusia. Ini memungkinkan komputer untuk melakukan berbagai tugas kompleks, dari terjemahan bahasa, klasifikasi gambar hingga pengenalan wajah, dan aplikasi seperti mengemudi otomatis, AI sedang mengubah cara kita hidup dan bekerja.
Proses pengembangan model kecerdasan buatan biasanya mencakup beberapa langkah kunci berikut: pengumpulan data dan pra-pemrosesan data, pemilihan dan penyetelan model, pelatihan dan inferensi model. Sebagai contoh sederhana, untuk mengembangkan model yang dapat mengklasifikasikan gambar kucing dan anjing, Anda perlu:
Pengumpulan data dan pra-pemrosesan data: Kumpulkan dataset gambar yang berisi kucing dan anjing, dapat menggunakan dataset publik atau mengumpulkan data nyata sendiri. Kemudian beri label kategori (kucing atau anjing) untuk setiap gambar, pastikan label tersebut akurat. Ubah gambar menjadi format yang dapat dikenali oleh model, bagi dataset menjadi set pelatihan, set validasi, dan set pengujian.
Pemilihan dan Penyesuaian Model: Memilih model yang sesuai, seperti Jaringan Saraf Konvolusional (CNN), yang lebih cocok untuk tugas klasifikasi gambar. Menyesuaikan parameter atau arsitektur model sesuai dengan kebutuhan yang berbeda, umumnya, lapisan jaringan model dapat disesuaikan berdasarkan kompleksitas tugas AI. Dalam contoh klasifikasi sederhana ini, lapisan jaringan yang lebih dangkal mungkin sudah cukup.
Pelatihan model: Model dapat dilatih menggunakan GPU, TPU, atau kumpulan komputasi berkinerja tinggi, waktu pelatihan dipengaruhi oleh kompleksitas model dan kemampuan komputasi.
Inferensi model: File hasil pelatihan model biasanya disebut bobot model, proses inferensi merujuk pada penggunaan model yang sudah dilatih untuk memprediksi atau mengklasifikasikan data baru. Dalam proses ini, dapat digunakan kumpulan data uji atau data baru untuk menguji efektivitas klasifikasi model, biasanya dievaluasi menggunakan metrik seperti akurasi, rasio pengembalian, dan F1-score.
Seperti yang ditunjukkan pada gambar, setelah pengumpulan data dan pra-pemrosesan data, pemilihan model dan penyesuaian, serta pelatihan, model yang telah dilatih akan dilakukan inferensi pada dataset pengujian untuk menghasilkan nilai prediksi kucing dan anjing P (probabilitas), yaitu kemungkinan model menginferensikan bahwa itu adalah kucing atau anjing.
Model AI yang telah dilatih dapat diintegrasikan lebih lanjut ke dalam berbagai aplikasi, menjalankan berbagai tugas. Dalam contoh ini, model AI klasifikasi kucing dan anjing dapat diintegrasikan ke dalam aplikasi ponsel, di mana pengguna mengunggah gambar kucing atau anjing dan dapat memperoleh hasil klasifikasi.
Namun, proses pengembangan AI yang terpusat memiliki beberapa masalah dalam skenario berikut:
Privasi pengguna: Dalam skenario terpusat, proses pengembangan AI biasanya tidak transparan. Data pengguna dapat dicuri tanpa sepengetahuan dan digunakan untuk pelatihan AI.
Sumber data yang diperoleh: Tim kecil atau individu mungkin menghadapi batasan karena data tertentu (seperti data medis) tidak bersifat sumber terbuka.
Pemilihan dan penyetelan model: Bagi tim kecil, sulit untuk mendapatkan sumber daya model di bidang tertentu atau menghabiskan banyak biaya untuk penyetelan model.
Perolehan daya komputasi: Bagi pengembang individu dan tim kecil, biaya pembelian GPU yang tinggi dan biaya sewa daya komputasi cloud dapat menjadi beban ekonomi yang signifikan.
Pendapatan Aset AI: Pekerja penandaan data sering kali tidak dapat memperoleh pendapatan yang sebanding dengan usaha mereka, sementara hasil penelitian pengembang AI juga sulit untuk dipadankan dengan pembeli yang membutuhkan.
Tantangan yang ada dalam skenario AI terpusat dapat diatasi dengan menggabungkannya dengan Web3. Web3 sebagai suatu hubungan produksi baru secara alami cocok untuk mewakili produktivitas baru dari AI, sehingga mendorong kemajuan teknologi dan kapasitas produksi secara bersamaan.
1.3 Web3 dan AI: Sinergi, Perubahan Peran, dan Aplikasi Inovatif
Web3 dan AI yang digabungkan dapat meningkatkan kedaulatan pengguna, menyediakan platform kolaborasi AI yang terbuka bagi pengguna, membuat pengguna beralih dari pengguna AI di era Web2 menjadi peserta, menciptakan AI yang dapat dimiliki oleh semua orang. Sementara itu, penggabungan dunia Web3 dan teknologi AI juga dapat menghasilkan lebih banyak skenario aplikasi dan cara bermain yang inovatif.
Berdasarkan teknologi Web3, pengembangan dan aplikasi AI akan menyambut sebuah sistem ekonomi kolaboratif yang baru. Privasi data orang dapat terjamin, mode pengumpulan data dapat mendorong kemajuan model AI, banyak sumber daya AI yang bersifat open source dapat digunakan oleh pengguna, dan daya komputasi yang dibagikan dapat diperoleh dengan biaya yang lebih rendah. Dengan bantuan mekanisme kolaboratif dan pengumpulan terdesentralisasi serta pasar AI yang terbuka, sistem distribusi pendapatan yang adil dapat terwujud, sehingga mendorong lebih banyak orang untuk mendorong kemajuan teknologi AI.
Dalam skenario Web3, AI dapat memberikan dampak positif di berbagai jalur. Misalnya, model AI dapat diintegrasikan ke dalam kontrak pintar, meningkatkan efisiensi kerja di berbagai aplikasi, seperti analisis pasar, deteksi keamanan, pengelompokan sosial, dan berbagai fungsi lainnya. AI generatif tidak hanya memungkinkan pengguna merasakan peran "seniman", seperti menggunakan teknologi AI untuk membuat NFT mereka sendiri, tetapi juga dapat menciptakan berbagai skenario permainan yang kaya dan pengalaman interaktif yang menarik dalam GameFi. Infrastruktur yang kaya menyediakan pengalaman pengembangan yang lancar, baik untuk pakar AI maupun pemula yang ingin memasuki bidang AI dapat menemukan pintu masuk yang cocok di dunia ini.
Dua, Penjelasan Peta dan Arsitektur Proyek Ekosistem Web3-AI
Kami terutama meneliti 41 proyek di jalur Web3-AI, dan membagi proyek-proyek ini menjadi berbagai tingkatan. Logika pembagian setiap tingkatan ditunjukkan pada gambar di bawah ini, termasuk lapisan infrastruktur, lapisan menengah, dan lapisan aplikasi, di mana masing-masing lapisan dibagi menjadi berbagai sektor. Di bab berikutnya, kami akan melakukan analisis kedalaman terhadap beberapa proyek yang memiliki perwakilan.
Lapisan infrastruktur mencakup sumber daya komputasi dan arsitektur teknologi yang mendukung operasi seluruh siklus hidup AI, lapisan tengah mencakup manajemen data, pengembangan model, dan layanan inferensi verifikasi yang menghubungkan infrastruktur dengan aplikasi, sedangkan lapisan aplikasi berfokus pada berbagai aplikasi dan solusi yang langsung ditujukan kepada pengguna.
Lapisan infrastruktur:
Lapisan infrastruktur adalah dasar dari siklus hidup AI, artikel ini mengklasifikasikan kekuatan komputasi, AI Chain, dan platform pengembangan sebagai lapisan infrastruktur. Hanya dengan dukungan infrastruktur inilah pelatihan dan inferensi model AI dapat dilakukan, dan aplikasi AI yang kuat dan praktis dapat disajikan kepada pengguna.
Jaringan komputasi terdesentralisasi: dapat menyediakan daya komputasi terdistribusi untuk pelatihan model AI, memastikan penggunaan sumber daya komputasi yang efisien dan ekonomis. Beberapa proyek menawarkan pasar daya komputasi terdesentralisasi, di mana pengguna dapat menyewa daya komputasi dengan biaya rendah atau berbagi daya komputasi untuk mendapatkan keuntungan, dengan proyek yang mewakili seperti IO.NET dan Hyperbolic. Selain itu, beberapa proyek telah mengembangkan cara baru, seperti Compute Labs, yang mengajukan protokol tokenisasi, di mana pengguna dapat berpartisipasi dalam penyewaan daya komputasi dengan cara berbeda untuk mendapatkan keuntungan dengan membeli NFT yang mewakili entitas GPU.
AI Chain: Memanfaatkan blockchain sebagai dasar untuk siklus hidup AI, mewujudkan interaksi tanpa hambatan antara sumber daya AI di dalam dan di luar rantai, serta mendorong perkembangan ekosistem industri. Pasar AI terdesentralisasi di dalam rantai dapat memperdagangkan aset AI seperti data, model, perwakilan, dan menyediakan kerangka pengembangan AI serta alat pengembangan yang mendukung, dengan proyek perwakilan seperti Sahara AI. AI Chain juga dapat mendorong kemajuan teknologi AI di berbagai bidang, seperti Bittensor yang memfasilitasi persaingan subnet yang berbeda melalui mekanisme insentif subnet yang inovatif.
Platform pengembangan: Beberapa proyek menyediakan platform pengembangan agen AI, dan juga dapat melakukan transaksi agen AI, seperti Fetch.ai dan ChainML. Alat serba ada membantu pengembang untuk lebih mudah membuat, melatih, dan menerapkan model AI, mewakili proyek seperti Nimble. Infrastruktur ini memfasilitasi penerapan teknologi AI yang luas dalam ekosistem Web3.
Lapisan Tengah:
Lapisan ini melibatkan data AI, model, serta inferensi dan verifikasi, menggunakan teknologi Web3 dapat mencapai efisiensi kerja yang lebih tinggi.
Data: Kualitas dan kuantitas data adalah faktor kunci yang memengaruhi efektivitas pelatihan model. Dalam dunia Web3, melalui data crowdsourcing dan pemrosesan data kolaboratif, kita dapat mengoptimalkan penggunaan sumber daya dan mengurangi biaya data. Pengguna dapat memiliki otonomi atas data mereka, menjual data mereka sendiri dalam perlindungan privasi, untuk menghindari pencurian data oleh pedagang nakal dan meraup keuntungan besar. Bagi pihak yang membutuhkan data, platform-platform ini menawarkan berbagai pilihan dan biaya yang sangat rendah. Proyek-proyek seperti Grass memanfaatkan bandwidth pengguna untuk mengambil data Web, xData mengumpulkan informasi media melalui plugin yang ramah pengguna, dan mendukung pengguna untuk mengunggah informasi tweet.
Selain itu, beberapa platform memungkinkan ahli di bidang tertentu atau pengguna biasa untuk melakukan tugas pra-pemrosesan data, seperti penandaan gambar dan klasifikasi data, yang mungkin memerlukan pengetahuan profesional dalam pemrosesan data untuk tugas keuangan dan hukum. Pengguna dapat men-token-kan keterampilan mereka untuk mewujudkan kolaborasi pengumpulan data pra-pemrosesan. Contohnya adalah pasar AI seperti Sahara AI, yang memiliki tugas data dari berbagai bidang yang dapat mencakup berbagai skenario data; sedangkan AIT Protocol melakukan penandaan data melalui cara kolaborasi manusia dan mesin.
Model: Dalam proses pengembangan AI yang telah disebutkan sebelumnya, berbagai jenis kebutuhan perlu dipadankan dengan model yang sesuai. Model yang umum digunakan dalam tugas gambar seperti CNN, GAN, untuk tugas deteksi objek dapat memilih seri Yolo, untuk tugas teks model yang umum seperti RNN, Transformer, dan tentu saja ada beberapa model besar yang spesifik atau umum. Kedalaman model yang dibutuhkan untuk tugas dengan kompleksitas yang berbeda juga berbeda, kadang-kadang perlu melakukan penyesuaian pada model.
Beberapa proyek mendukung pengguna untuk menyediakan berbagai jenis model atau melatih model secara kolaboratif melalui crowdsourcing, seperti Sentient yang melalui desain modular, memungkinkan pengguna untuk menempatkan data model yang dapat dipercaya di lapisan penyimpanan dan lapisan distribusi untuk mengoptimalkan model, alat pengembangan yang disediakan oleh Sahara AI dilengkapi dengan algoritma AI canggih dan kerangka komputasi, serta memiliki kemampuan pelatihan kolaboratif.
Inferensi dan verifikasi: Setelah model dilatih, model tersebut akan menghasilkan file bobot model yang dapat digunakan untuk langsung melakukan klasifikasi, prediksi, atau tugas spesifik lainnya, proses ini disebut inferensi. Proses inferensi biasanya disertai dengan mekanisme verifikasi, untuk memverifikasi apakah sumber model inferensi benar, apakah ada perilaku jahat, dan lain-lain. Inferensi Web3 biasanya dapat diintegrasikan dalam kontrak pintar, dengan memanggil model untuk melakukan inferensi, cara verifikasi yang umum termasuk teknologi ZKML, OPML, dan TEE. Proyek yang mewakili seperti oracle AI di atas rantai ORA (OAO), memperkenalkan OPML sebagai lapisan yang dapat diverifikasi untuk oracle AI, di situs resmi ORA juga disebutkan penelitian mereka tentang ZKML dan opp/ai (ZKML dikombinasikan dengan OPML).
Lapisan aplikasi:
Lapisan ini terutama merupakan aplikasi yang langsung ditujukan kepada pengguna, menggabungkan AI dengan Web3, menciptakan lebih banyak cara bermain yang menarik dan inovatif. Artikel ini terutama merangkum proyek-proyek dalam beberapa bidang, termasuk AIGC (Konten yang Dihasilkan AI), agen AI, dan analisis data.
Halaman ini mungkin berisi konten pihak ketiga, yang disediakan untuk tujuan informasi saja (bukan pernyataan/jaminan) dan tidak boleh dianggap sebagai dukungan terhadap pandangannya oleh Gate, atau sebagai nasihat keuangan atau profesional. Lihat Penafian untuk detailnya.
Web3-AI jalur panorama: integrasi teknologi, skenario aplikasi, dan analisis mendalam proyek-proyek teratas
Laporan Panorama Web3-AI: Logika Teknologi, Aplikasi Skenario, dan Analisis Mendalam Proyek-Proyek Teratas
Seiring dengan meningkatnya perhatian terhadap narasi AI, semakin banyak fokus tertuju pada jalur ini. Analisis mendalam dilakukan terhadap logika teknis, skenario aplikasi, dan proyek-proyek perwakilan dalam jalur Web3-AI, untuk menyajikan panorama dan tren perkembangan di bidang ini secara menyeluruh.
I. Web3-AI: Analisis Logika Teknologi dan Peluang Pasar Baru
1.1 Logika Integrasi Web3 dan AI: Bagaimana Mendefinisikan Jalur Web-AI
Dalam setahun terakhir, narasi AI telah sangat populer di industri Web3, dengan proyek AI muncul bak jamur setelah hujan. Meskipun ada banyak proyek yang melibatkan teknologi AI, beberapa proyek hanya menggunakan AI di bagian tertentu dari produk mereka, dan ekonomi token yang mendasarinya tidak memiliki hubungan substansial dengan produk AI, sehingga proyek semacam ini tidak termasuk dalam diskusi proyek Web3-AI dalam artikel ini.
Artikel ini berfokus pada penggunaan blockchain untuk menyelesaikan masalah hubungan produksi dan proyek yang menggunakan AI untuk menyelesaikan masalah produktivitas. Proyek-proyek ini sendiri menyediakan produk AI, serta menggunakan model ekonomi Web3 sebagai alat hubungan produksi, keduanya saling melengkapi. Kami mengklasifikasikan jenis proyek ini ke dalam jalur Web3-AI. Untuk membantu pembaca lebih memahami jalur Web3-AI, akan dijelaskan proses pengembangan AI dan tantangannya, serta bagaimana kombinasi Web3 dan AI dapat menyelesaikan masalah dengan sempurna dan menciptakan skenario aplikasi baru.
1.2 Proses pengembangan AI dan tantangannya: dari pengumpulan data hingga inferensi model
Teknologi AI adalah teknologi yang memungkinkan komputer untuk mensimulasikan, memperluas, dan meningkatkan kecerdasan manusia. Ini memungkinkan komputer untuk melakukan berbagai tugas kompleks, dari terjemahan bahasa, klasifikasi gambar hingga pengenalan wajah, dan aplikasi seperti mengemudi otomatis, AI sedang mengubah cara kita hidup dan bekerja.
Proses pengembangan model kecerdasan buatan biasanya mencakup beberapa langkah kunci berikut: pengumpulan data dan pra-pemrosesan data, pemilihan dan penyetelan model, pelatihan dan inferensi model. Sebagai contoh sederhana, untuk mengembangkan model yang dapat mengklasifikasikan gambar kucing dan anjing, Anda perlu:
Pengumpulan data dan pra-pemrosesan data: Kumpulkan dataset gambar yang berisi kucing dan anjing, dapat menggunakan dataset publik atau mengumpulkan data nyata sendiri. Kemudian beri label kategori (kucing atau anjing) untuk setiap gambar, pastikan label tersebut akurat. Ubah gambar menjadi format yang dapat dikenali oleh model, bagi dataset menjadi set pelatihan, set validasi, dan set pengujian.
Pemilihan dan Penyesuaian Model: Memilih model yang sesuai, seperti Jaringan Saraf Konvolusional (CNN), yang lebih cocok untuk tugas klasifikasi gambar. Menyesuaikan parameter atau arsitektur model sesuai dengan kebutuhan yang berbeda, umumnya, lapisan jaringan model dapat disesuaikan berdasarkan kompleksitas tugas AI. Dalam contoh klasifikasi sederhana ini, lapisan jaringan yang lebih dangkal mungkin sudah cukup.
Pelatihan model: Model dapat dilatih menggunakan GPU, TPU, atau kumpulan komputasi berkinerja tinggi, waktu pelatihan dipengaruhi oleh kompleksitas model dan kemampuan komputasi.
Inferensi model: File hasil pelatihan model biasanya disebut bobot model, proses inferensi merujuk pada penggunaan model yang sudah dilatih untuk memprediksi atau mengklasifikasikan data baru. Dalam proses ini, dapat digunakan kumpulan data uji atau data baru untuk menguji efektivitas klasifikasi model, biasanya dievaluasi menggunakan metrik seperti akurasi, rasio pengembalian, dan F1-score.
Seperti yang ditunjukkan pada gambar, setelah pengumpulan data dan pra-pemrosesan data, pemilihan model dan penyesuaian, serta pelatihan, model yang telah dilatih akan dilakukan inferensi pada dataset pengujian untuk menghasilkan nilai prediksi kucing dan anjing P (probabilitas), yaitu kemungkinan model menginferensikan bahwa itu adalah kucing atau anjing.
Model AI yang telah dilatih dapat diintegrasikan lebih lanjut ke dalam berbagai aplikasi, menjalankan berbagai tugas. Dalam contoh ini, model AI klasifikasi kucing dan anjing dapat diintegrasikan ke dalam aplikasi ponsel, di mana pengguna mengunggah gambar kucing atau anjing dan dapat memperoleh hasil klasifikasi.
Namun, proses pengembangan AI yang terpusat memiliki beberapa masalah dalam skenario berikut:
Privasi pengguna: Dalam skenario terpusat, proses pengembangan AI biasanya tidak transparan. Data pengguna dapat dicuri tanpa sepengetahuan dan digunakan untuk pelatihan AI.
Sumber data yang diperoleh: Tim kecil atau individu mungkin menghadapi batasan karena data tertentu (seperti data medis) tidak bersifat sumber terbuka.
Pemilihan dan penyetelan model: Bagi tim kecil, sulit untuk mendapatkan sumber daya model di bidang tertentu atau menghabiskan banyak biaya untuk penyetelan model.
Perolehan daya komputasi: Bagi pengembang individu dan tim kecil, biaya pembelian GPU yang tinggi dan biaya sewa daya komputasi cloud dapat menjadi beban ekonomi yang signifikan.
Pendapatan Aset AI: Pekerja penandaan data sering kali tidak dapat memperoleh pendapatan yang sebanding dengan usaha mereka, sementara hasil penelitian pengembang AI juga sulit untuk dipadankan dengan pembeli yang membutuhkan.
Tantangan yang ada dalam skenario AI terpusat dapat diatasi dengan menggabungkannya dengan Web3. Web3 sebagai suatu hubungan produksi baru secara alami cocok untuk mewakili produktivitas baru dari AI, sehingga mendorong kemajuan teknologi dan kapasitas produksi secara bersamaan.
1.3 Web3 dan AI: Sinergi, Perubahan Peran, dan Aplikasi Inovatif
Web3 dan AI yang digabungkan dapat meningkatkan kedaulatan pengguna, menyediakan platform kolaborasi AI yang terbuka bagi pengguna, membuat pengguna beralih dari pengguna AI di era Web2 menjadi peserta, menciptakan AI yang dapat dimiliki oleh semua orang. Sementara itu, penggabungan dunia Web3 dan teknologi AI juga dapat menghasilkan lebih banyak skenario aplikasi dan cara bermain yang inovatif.
Berdasarkan teknologi Web3, pengembangan dan aplikasi AI akan menyambut sebuah sistem ekonomi kolaboratif yang baru. Privasi data orang dapat terjamin, mode pengumpulan data dapat mendorong kemajuan model AI, banyak sumber daya AI yang bersifat open source dapat digunakan oleh pengguna, dan daya komputasi yang dibagikan dapat diperoleh dengan biaya yang lebih rendah. Dengan bantuan mekanisme kolaboratif dan pengumpulan terdesentralisasi serta pasar AI yang terbuka, sistem distribusi pendapatan yang adil dapat terwujud, sehingga mendorong lebih banyak orang untuk mendorong kemajuan teknologi AI.
Dalam skenario Web3, AI dapat memberikan dampak positif di berbagai jalur. Misalnya, model AI dapat diintegrasikan ke dalam kontrak pintar, meningkatkan efisiensi kerja di berbagai aplikasi, seperti analisis pasar, deteksi keamanan, pengelompokan sosial, dan berbagai fungsi lainnya. AI generatif tidak hanya memungkinkan pengguna merasakan peran "seniman", seperti menggunakan teknologi AI untuk membuat NFT mereka sendiri, tetapi juga dapat menciptakan berbagai skenario permainan yang kaya dan pengalaman interaktif yang menarik dalam GameFi. Infrastruktur yang kaya menyediakan pengalaman pengembangan yang lancar, baik untuk pakar AI maupun pemula yang ingin memasuki bidang AI dapat menemukan pintu masuk yang cocok di dunia ini.
Dua, Penjelasan Peta dan Arsitektur Proyek Ekosistem Web3-AI
Kami terutama meneliti 41 proyek di jalur Web3-AI, dan membagi proyek-proyek ini menjadi berbagai tingkatan. Logika pembagian setiap tingkatan ditunjukkan pada gambar di bawah ini, termasuk lapisan infrastruktur, lapisan menengah, dan lapisan aplikasi, di mana masing-masing lapisan dibagi menjadi berbagai sektor. Di bab berikutnya, kami akan melakukan analisis kedalaman terhadap beberapa proyek yang memiliki perwakilan.
Lapisan infrastruktur mencakup sumber daya komputasi dan arsitektur teknologi yang mendukung operasi seluruh siklus hidup AI, lapisan tengah mencakup manajemen data, pengembangan model, dan layanan inferensi verifikasi yang menghubungkan infrastruktur dengan aplikasi, sedangkan lapisan aplikasi berfokus pada berbagai aplikasi dan solusi yang langsung ditujukan kepada pengguna.
Lapisan infrastruktur:
Lapisan infrastruktur adalah dasar dari siklus hidup AI, artikel ini mengklasifikasikan kekuatan komputasi, AI Chain, dan platform pengembangan sebagai lapisan infrastruktur. Hanya dengan dukungan infrastruktur inilah pelatihan dan inferensi model AI dapat dilakukan, dan aplikasi AI yang kuat dan praktis dapat disajikan kepada pengguna.
Jaringan komputasi terdesentralisasi: dapat menyediakan daya komputasi terdistribusi untuk pelatihan model AI, memastikan penggunaan sumber daya komputasi yang efisien dan ekonomis. Beberapa proyek menawarkan pasar daya komputasi terdesentralisasi, di mana pengguna dapat menyewa daya komputasi dengan biaya rendah atau berbagi daya komputasi untuk mendapatkan keuntungan, dengan proyek yang mewakili seperti IO.NET dan Hyperbolic. Selain itu, beberapa proyek telah mengembangkan cara baru, seperti Compute Labs, yang mengajukan protokol tokenisasi, di mana pengguna dapat berpartisipasi dalam penyewaan daya komputasi dengan cara berbeda untuk mendapatkan keuntungan dengan membeli NFT yang mewakili entitas GPU.
AI Chain: Memanfaatkan blockchain sebagai dasar untuk siklus hidup AI, mewujudkan interaksi tanpa hambatan antara sumber daya AI di dalam dan di luar rantai, serta mendorong perkembangan ekosistem industri. Pasar AI terdesentralisasi di dalam rantai dapat memperdagangkan aset AI seperti data, model, perwakilan, dan menyediakan kerangka pengembangan AI serta alat pengembangan yang mendukung, dengan proyek perwakilan seperti Sahara AI. AI Chain juga dapat mendorong kemajuan teknologi AI di berbagai bidang, seperti Bittensor yang memfasilitasi persaingan subnet yang berbeda melalui mekanisme insentif subnet yang inovatif.
Platform pengembangan: Beberapa proyek menyediakan platform pengembangan agen AI, dan juga dapat melakukan transaksi agen AI, seperti Fetch.ai dan ChainML. Alat serba ada membantu pengembang untuk lebih mudah membuat, melatih, dan menerapkan model AI, mewakili proyek seperti Nimble. Infrastruktur ini memfasilitasi penerapan teknologi AI yang luas dalam ekosistem Web3.
Lapisan Tengah:
Lapisan ini melibatkan data AI, model, serta inferensi dan verifikasi, menggunakan teknologi Web3 dapat mencapai efisiensi kerja yang lebih tinggi.
Selain itu, beberapa platform memungkinkan ahli di bidang tertentu atau pengguna biasa untuk melakukan tugas pra-pemrosesan data, seperti penandaan gambar dan klasifikasi data, yang mungkin memerlukan pengetahuan profesional dalam pemrosesan data untuk tugas keuangan dan hukum. Pengguna dapat men-token-kan keterampilan mereka untuk mewujudkan kolaborasi pengumpulan data pra-pemrosesan. Contohnya adalah pasar AI seperti Sahara AI, yang memiliki tugas data dari berbagai bidang yang dapat mencakup berbagai skenario data; sedangkan AIT Protocol melakukan penandaan data melalui cara kolaborasi manusia dan mesin.
Beberapa proyek mendukung pengguna untuk menyediakan berbagai jenis model atau melatih model secara kolaboratif melalui crowdsourcing, seperti Sentient yang melalui desain modular, memungkinkan pengguna untuk menempatkan data model yang dapat dipercaya di lapisan penyimpanan dan lapisan distribusi untuk mengoptimalkan model, alat pengembangan yang disediakan oleh Sahara AI dilengkapi dengan algoritma AI canggih dan kerangka komputasi, serta memiliki kemampuan pelatihan kolaboratif.
Lapisan aplikasi:
Lapisan ini terutama merupakan aplikasi yang langsung ditujukan kepada pengguna, menggabungkan AI dengan Web3, menciptakan lebih banyak cara bermain yang menarik dan inovatif. Artikel ini terutama merangkum proyek-proyek dalam beberapa bidang, termasuk AIGC (Konten yang Dihasilkan AI), agen AI, dan analisis data.